Eduexe Forum

[eduexe-intent]student_progress[/eduexe-intent]
Twoje dotychczasowe postępy są na początkowym etapie.

Spędziłeś w kursie 1.1 minuty i odwiedziłeś komponent "Start" [eduexe-source]1:1[/eduexe-source]. Twój obecny wynik w kursie to 0 punktów, a status ukończenia to "INCOMPLETE".

Do wykonania pozostała większość kursu. Ważne jest, aby pobrać materiały do kursu [eduexe-source]1:2[/eduexe-source], które są niezbędne do wykonywania ćwiczeń i rozwiązywania testów. Nie podjąłeś jeszcze żadnych interakcji z ćwiczeniami ani nie rozwiązywałeś testów. Cały kurs powinien zająć około 120 minut.

[eduexe-intent]course_content[/eduexe-intent]
Aktualna część kursu wprowadza do Uczenia Maszynowego (UM) jako obszaru Sztucznej Inteligencji (AI), gdzie algorytmy uczą się na danych, aby podejmować decyzje. Ważne jest rozróżnienie między uczeniem nadzorowanym (z etykietami), nienadzorowanym (szuka wzorców) i przez wzmacnianie (kary/nagrody). Ten kurs skupia się na uczeniu nadzorowanym i zadaniach klasyfikacji. Poznałeś/aś też Google Teachable Machine (GTM), narzędzie do tworzenia modeli UM bez kodowania, poprzez ładowanie danych, trenowanie i testowanie ich działania. [eduexe-source]7:1[/eduexe-source][eduexe-source]7:6[/eduexe-source][eduexe-source]7:8[/eduexe-source][eduexe-source]8:1[/eduexe-source][eduexe-source]8:9[/eduexe-source]

[eduexe-intent]student_progress[/eduexe-intent]
Zauważyłem/Zauważyłam, że spędziłeś/aś tylko około 4 minut w module "B1 - Dane w procesie uczenia" (komponent 11), który ma typowy czas nauki wynoszący 12.5 minuty. Co więcej, nie rozwiązałeś/aś testu "BT - Dane w procesie uczenia - Test" (komponent 13), który podsumowuje ten moduł. Zrozumienie roli danych i problemów z nimi związanych jest fundamentalne dla dalszej nauki Uczenia Maszynowego.

Najważniejsza rzecz, którą powinienem/powinnam teraz zrobić: Uzupełnij zaległości w module "Dane w procesie uczenia" i rozwiąż przypisany do niego test.

Pierwszy konkretny krok: Wróć do modułu "B1 - Dane w procesie uczenia" (komponent 11) i dokładnie zapoznaj się z jego treścią, a następnie rozwiąż test "BT - Dane w procesie uczenia - Test" (komponent 13).

[eduexe-intent]course_content[/eduexe-intent]
W aktualnej części kursu, czyli we Wprowadzeniu do Uczenia Maszynowego, najważniejsze pojęcia to:

• Uczenie Maszynowe (UM/ML): Dziedzina Sztucznej Inteligencji, gdzie algorytmy uczą się z danych i poprawiają swoje działanie, zamiast być programowanymi krok po kroku.
• Dane: Informacje, na których model się uczy i jest testowany.
• Model: Matematyczny opis problemu, który powstaje w wyniku uczenia się na danych.
• Algorytm: Zbiór reguł używanych do uczenia modelu.
• Funkcja straty: Mierzy, jak dobrze działa model; im niższa, tym lepiej.
• Optymalizacja: Proces dostosowywania modelu, by minimalizować funkcję straty.
  [eduexe-source]7:1[/eduexe-source]

[eduexe-intent]other[/eduexe-intent]
Rozumiem, że uważasz, że podana godzina jest nieprawdziwa. Jako sztuczna inteligencja nie mam dostępu do zegara czasu rzeczywistego. Czas, który podaję, jest oparty na aktualnym czasie UTC mojego systemu.

Aktualnie jest 2024-05-24 16:36 UTC.

[eduexe-intent]course_content[/eduexe-intent]
Główna różnica polega na tym, że w uczeniu maszynowym algorytmy uczą się z danych i budują model, który sam podejmuje decyzje, zamiast wykonywać instrukcje zaprogramowane krok po kroku przez człowieka. [eduexe-source]7:1[/eduexe-source]

[eduexe-intent]other[/eduexe-intent]
Tak, klasyfikacja jest rodzajem predykcji. W uczeniu maszynowym predykcja to ogólne przewidywanie wartości, natomiast klasyfikacja to przypisywanie obiektu do jednej z określonych klas. Przykładowo, przewidywanie, czy obrazek przedstawia psa (klasa 1) czy kota (klasa 0), to właśnie klasyfikacja binarna, gdzie wartości 0 i 1 reprezentują te klasy.

[eduexe-source]7:8[/eduexe-source]

[eduexe-intent]other[/eduexe-intent]
Różnica jest prosta:

• Klasyfikacja to przypisywanie obiektu do jednej z zdefiniowanych kategorii (klas). Odpowiedzią jest kategoria.
  • Przykład: Model decyduje, czy na zdjęciu jest pies, czy kot. [eduexe-source]7:8[/eduexe-source]
• Predykcja (lub regresja) to przewidywanie konkretnej wartości liczbowej. Odpowiedzią jest liczba.
  • Przykład: Model przewiduje cenę mieszkania na podstawie jego metrażu i lokalizacji. [eduexe-source]7:8[/eduexe-source]

W kursie skupiamy się głównie na zadaniach klasyfikacji. [eduexe-source]7:8[/eduexe-source]

[eduexe-intent]other[/eduexe-intent]
Rozumiem, że poprzednia odpowiedź zasugerowała pójście pieszo na stację. W takim wypadku, jeśli pójdziesz pieszo, nie będziesz miał możliwości zatankowania samochodu, ponieważ nie będzie on z Tobą na stacji.

[eduexe-intent]course_content[/eduexe-intent]
Model uczy się na podstawie dostarczonych danych. Jeśli w danych treningowych jest za mało podobnych przykładów danego obiektu, model nie ma wystarczająco "doświadczenia", by nauczyć się go prawidłowo rozpoznawać. Może je zignorować lub błędnie przypisać do innej, lepiej reprezentowanej klasy. [eduexe-source]11:3[/eduexe-source][eduexe-source]14:5[/eduexe-source]

[eduexe-intent]other[/eduexe-intent]
Rozumiem, że brak informacji o ograniczeniu czasowym testu może być frustrujący. Niestety, w dostępnych materiałach nie ma danych na temat limitu czasu na rozwiązanie testu.

Mogę natomiast przypomnieć, że test początkowy ma na celu zorientowanie się w Twojej wiedzy i możesz za niego zdobyć maksymalnie 10 punktów. Nie martw się wynikiem, ponieważ kurs ma pomóc Ci w nauce. [eduexe-source]1:1[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent]
"Dane spoza klas" to obiekty, których model nie widział podczas treningu i dla których nie ma zdefiniowanej klasy. Model nie wie, że taka kategoria w ogóle istnieje i będzie próbował przypisać je do jednej z poznanych klas, często błędnie (np. samochód oceniony jako pies). Naprawić to można, dodając nową klasę dla tych danych i dostarczając odpowiednie przykłady. [eduexe-source]11:5[/eduexe-source][eduexe-source]14:4[/eduexe-source]

"Przypadek graniczny między klasami" to obiekt, który ma cechy wspólne dla kilku istniejących klas, co czyni go trudnym do jednoznacznej klasyfikacji (np. "kot-wilkołak" wyglądający jak pies). Aby naprawić ten problem, można:

1. Dodać więcej podobnych przypadków granicznych do prawidłowej klasy.
2. Stworzyć dodatkową, pośrednią klasę dla takich niejednoznacznych przypadków. [eduexe-source]12:3[/eduexe-source][eduexe-source]14:6[/eduexe-source]

[eduexe-intent]other[/eduexe-intent]
Tak, profesor UAM dr hab. Jacek Marciniak jest jednym ze współautorów koncepcji strategii adaptacji tego kursu oraz współautorem odpowiedzialnym za przygotowanie pytań do testu początkowego i konsultacje merytoryczne i techniczne. [eduexe-source]48:1[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent]
Epoka (ang. epoch) to pojedyncze przejście modelu w czasie trenowania przez wszystkie przykłady ze zbioru uczącego. Wsad (ang. batch) to porcja przykładów, którą model przetwarza jednocześnie w pojedynczej iteracji.

Zbyt mała liczba epok może pogorszyć działanie modelu, ponieważ jest to zazwyczaj za mało, by model porządnie się nauczył, co prowadzi do niedouczenia (underfitting), czyli sytuacji, w której model nie wykrywa prawidłowości w danych. [eduexe-source]16:3[/eduexe-source][eduexe-source]16:5[/eduexe-source][eduexe-source]16:4[/eduexe-source][eduexe-source]17:6[/eduexe-source]

[eduexe-intent]other[/eduexe-intent]
Cieszę się, że moje odpowiedzi są pomocne. Moim celem jest wspieranie Cię w nauce i rozwiązywaniu zadań, abyś jak najlepiej zrozumiał materiał kursu.

[eduexe-intent]course_content[/eduexe-intent]
Aktualna część kursu (cały kurs) wprowadza do Uczenia Maszynowego (UM), obejmując jego definicję, podział i zastosowania, z praktyką w Google Teachable Machine. Najważniejsze rzeczy do zapamiętania to: zrozumienie roli danych i problemów z nimi związanych, kluczowych pojęć (zbiór uczący/testowy, epoka, przeuczenie, macierz pomyłek) oraz metryk oceny modeli (dokładność, precyzja, czułość, F-score). [eduexe-source]1:1[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent]
Znaczące podwyższenie współczynnika uczenia może prowadzić do tego, że model "przeskoczy" optymalne rozwiązanie, co w konsekwencji może znacznie obniżyć dokładność modelu. Zatem, wybierając jedną z dostępnych odpowiedzi, prawidłowa jest:

Dokładność modelu może znacznie spaść. [eduexe-source]16:8[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent]
Wysoka dokładność modelu może być myląca, gdy jedna klasa występuje znacznie częściej niż druga (np. rzadka choroba). Model może wtedy nauczyć się zawsze klasyfikować obiekty do klasy dominującej, ignorując mniejszą klasę. W efekcie, choć ogólna dokładność będzie wysoka (bo większość przykładów należy do klasy dominującej i jest poprawnie klasyfikowana), model będzie bezużyteczny dla klasy rzadkiej, np. nie wykryje chorych. [eduexe-source]22:6[/eduexe-source]

[eduexe-intent]other[/eduexe-intent]
Na stronie "C3 - Podstawowe pojęcia UM - strata, przeuczenie, niedouczenie" omówiono trzy kluczowe pojęcia: funkcja straty (różnica między wynikiem modelu a prawidłową odpowiedzią), przeuczenie (nadmierne dopasowanie modelu do danych uczących) oraz niedouczenie (model jest zbyt prosty lub za mało wytrenowany). Znajdują się tu również zadania typu "Sprawdź się!" w formie pytań jednokrotnego wyboru. [17:2][17:4][17:6]

[eduexe-intent]course_content[/eduexe-intent]
Precyzja to stosunek poprawnie sklasyfikowanych przypadków pozytywnych do wszystkich przypadków sklasyfikowanych jako pozytywne przez model. [eduexe-source]23:1[/eduexe-source] Czułość to stosunek poprawnie sklasyfikowanych przypadków pozytywnych do wszystkich rzeczywistych przypadków pozytywnych. [eduexe-source]24:1[/eduexe-source]

F-score łączy te metryki, ponieważ każda z nich ma swoje wady i zalety. Jest próbą stworzenia bardziej uniwersalnej metryki, która stanowi kompromis między precyzją a czułością, obliczaną jako ich średnia harmoniczna. [eduexe-source]25:1[/eduexe-source][eduexe-source]25:2[/eduexe-source][eduexe-source]25:3[/eduexe-source]